Janssen Pharmaceuticals Meningkatkan Akurasi Machine Learning sebesar 21% Menggunakan Amazon SageMaker

Janssen Pharmaceuticals (Janssen) merupakan grup perusahaan farmasi yang telah menjadi bagian dari Johnson & Johnson sejak tahun 1961. Janssen menggunakan machine learning (ML) untuk meningkatkan pemahaman tentang pengalaman pasien yang menjalani terapi Janssen. Untuk mengotomatiskan alur kerja deployment dan menciptakan antarmuka yang lebih baik antara lingkungan pengembangan dan produksi, ilmuwan data Janssen menggunakan Amazon Web Services (AWS). Dengan menggunakan layanan AWS—termasuk Amazon SageMaker, yakni layanan ML yang dapat digunakan untuk membangun, melatih, dan melakukan deployment model ML untuk hampir semua tipe kasus penggunaan—Janssen menerapkan proses operasi ML (MLOps) otomatis yang dapat meningkatkan akurasi prediksi model hingga 21 persen serta meningkatkan kecepatan rekayasa fitur hingga sekitar 700 persen, yang membantu Janssen mengurangi biaya sekaligus meningkatkan efisiensi.

Portofolio produk Janssen mencakup berbagai bidang terapeutik, termasuk imunologi, penyakit menular, ilmu saraf, dan onkologi. “Hal yang terpenting bagi kami adalah memberikan perawatan terbaik kepada pasien selama perjalanan perawatan mereka yang kompleks. Oleh karena itu, kami menggunakan kecerdasan buatan dan machine learning untuk memahami pengalaman individu-individu yang menjalani terapi serta memenuhi kebutuhan pasien secara lebih baik dalam perjalanan mereka melawan penyakit yang diderita,” tutur Jenna Eun, principal data scientist di Janssen.

Untuk mempercepat dampak solusi berbasis ML pada pengalaman pasien, tim Janssen Business Technology Commercial Data Sciences memutuskan untuk berfokus pada MLOps, serangkaian praktik yang bertujuan untuk melakukan deployment dan memelihara model ML secara andal dan efisien dalam produksi, meningkatkan otomatisasi, serta memenuhi kebutuhan bisnis dan teknologi. “Tujuan kami untuk MLOps adalah memfasilitasi eksperimen dan pelacakan performa model dari waktu ke waktu,” kata Eun. “Eksperimen yang mudah dan eksplorasi menyeluruh dari ruang hyperparameter merupakan hal yang penting bagi kami untuk membangun kepercayaan pada model machine learning.”

Janssen memutuskan untuk membentuk tim lintas fungsi guna menciptakan proses MLOps otomatis, mengingat pentingnya menyelaraskan kebutuhan teknologi mereka dengan kebutuhan keamanan internal. “Karena proses yang kami bangun menggunakan data layanan kesehatan, kami memiliki langkah-langkah keamanan dan privasi ketat yang harus dijalankan dengan cermat saat mengembangkan dan mengimplementasikan solusi teknologi,” ujar Eun. Dibentuk pada akhir tahun 2020, tim Janssen Business Technology Commercial Data dan tim Johnson & Johnson Technology CloudX berkolaborasi dengan tim arsitektur solusi Amazon SageMaker serta AWS Professional Services, tim ahli global yang dapat membantu perusahaan merealisasikan hasil bisnis yang diinginkan di AWS.

Bersama tim arsitektur solusi Amazon SageMaker dan AWS Professional Services, tim Janssen Business Technology Commercial Data dan tim Johnson & Johnson Technology CloudX mengotomatiskan modul rekayasa fitur serta persiapan data dalam waktu kurang dari 3 bulan. Rekayasa fitur adalah proses pembuatan variabel input dari data pasien untuk pelatihan model ML yang diawasi. Dengan mengotomatiskan langkah-langkah ini, tim-tim tersebut mampu meningkatkan kecepatan persiapan data sekitar 600 persen dan kecepatan rekayasa fitur sekitar 700 persen. Janssen mencapai peningkatan ini menggunakan AWS Step Functions, layanan alur kerja visual kode rendah yang mempermudah pengurutan langkah-langkah yang diperlukan untuk mengumpulkan, memproses, dan menormalkan data sumber. AWS Step Functions mengoordinasikan tugas di AWS Glue, layanan integrasi data nirserver yang berfungsi untuk menyinkronkan lingkungan pengembangan dan produksi dengan mudah untuk deployment solusi ML yang telah diuji coba dan dioptimalkan secara lebih cepat. “Alih-alih mengatur setiap langkah proses secara berurutan, kami dapat memparalelkan tugas rekayasa fitur dan persiapan data beserta cara mengorkestrasikannya dengan kombinasi AWS Glue dan AWS Step Functions,” tutur Eun. “Hal ini memudahkan kami untuk menghubungkan lingkungan pengembangan dan produksi secara lancar sehingga apa pun yang kami uji dapat dengan cepat dikonversi ke tugas AWS Glue, yang diluncurkan oleh AWS Step Functions.”

Setelah mengimplementasikan solusi MLOps di AWS, Janssen meningkatkan akurasi pemodelan prediktif mereka sebesar 21 persen. “Karena pipeline data menjadi lebih otomatis dan hemat waktu, kami dapat meluangkan lebih banyak waktu untuk berfokus pada performa model,” ungkap Eun. Salah satu hal penting dalam meningkatkan akurasi model ML adalah optimisasi hyperparameter. Setelah menentukan model dan data mereka, tim Janssen menggunakan Amazon SageMaker untuk secara otomatis menyesuaikan model dengan cara mencocokkan ribuan kombinasi parameter algoritma hingga mencapai prediksi paling akurat yang dapat dihasilkan oleh model tersebut. Otomatisasi itu, jika dikombinasikan dengan algoritma optimisasi Bayesian, secara signifikan mengurangi waktu pencarian parameter. “Kami merasa lebih percaya diri dengan model ML yang dihasilkan karena kami melakukannya melalui pencarian hyperparameter yang menyeluruh,” ujar Eun.

Tim Janssen dan tim Johnson & Johnson Technology CloudX dapat mendokumentasikan proyek ini dan membagikannya dengan tim Johnson & Johnson lainnya yang terlibat dalam proyek ML serupa. Informasi yang dibagikan dari pembelajaran ini diharapkan dapat membantu mempercepat proyek-proyek yang juga harus mematuhi kebijakan keamanan Johnson & Johnson dan menumbuhkan budaya MLOps di seluruh organisasi. “Dengan menciptakan pola yang dapat diikuti oleh pihak-pihak lain, kami menunjukkan cara menghubungkan berbagai layanan AWS untuk membangun suatu pipeline ML secara keseluruhan dalam lingkungan Johnson & Johnson,” ungkap Eun. “Kemampuan untuk menciptakan dan meningkatkan efisiensi di beberapa bagian proses pengembangan dan deployment ML sebelumnya membuka mata kami terkait fleksibilitas dan skalabilitas yang dapat kami raih.”

Solusi MLOps Janssen memungkinkan hadirnya solusi ilmu data dalam skala besar. Eun mengatakan, “Saat melakukan deployment solusi kami ke dunia nyata dan menunjukkan cara solusi tersebut dapat menghadirkan perubahan, kami membayangkan penskalaan ke wilayah geografis yang lebih luas dan menerapkannya pada kasus penggunaan bisnis lainnya di Johnson & Johnson.”